Tư duy phân tích dữ liệu: từ câu hỏi đến phép tính
Bài 1/5 · Chương 9
Dự án phân tích dữ liệu
- 7 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 12
Tư duy phân tích dữ liệu bắt đầu trước dòng code đầu tiên: biến một câu hỏi kinh doanh như "kênh nào bán tốt nhất?" thành một câu hỏi dữ liệu mà pandas tính được. Câu hỏi dữ liệu nói rõ lấy những dòng nào, đo bằng cột nào, gom theo gì, và con số nào là câu trả lời.
Cần biết trước: kiểm tra chất lượng dữ liệu, lọc dữ liệu, value_counts() và groupby.
Câu hỏi kinh doanh và câu hỏi dữ liệu
Chị quản lý cửa hàng hỏi: "Sau Website, kênh nào bán tốt nhất?". Câu này đúng ngôn ngữ của người điều hành, nhưng máy chưa trả lời được, vì "bán tốt" có ít nhất ba nghĩa: nhiều đơn, nhiều tiền, hay mỗi đơn nhiều tiền. Trước khi chọn nghĩa, xem dữ liệu có gì. File don_hang.csv trong bộ dữ liệu thực hành có 1.526 đơn:
import pandas as pd
don = pd.read_csv("don_hang.csv", dtype={"ma_sp": str})
print(don.shape)
print(don["trang_thai"].value_counts().to_string())
print(don["ngay_dat"].min(), don["ngay_dat"].max())KẾT QUẢ
(1526, 9)
trang_thai
Hoàn thành 1313
Đã hủy 121
Hoàn trả 87
Đang giao 5
2025-01-01 2026-06-30Đơn kéo dài 18 tháng, và không phải đơn nào cũng thành tiền: có đơn bị hủy, bị trả lại, hay còn đang giao. Đây chính là bước của bài kiểm tra chất lượng dữ liệu: biết dữ liệu có gì rồi mới hỏi nó. Câu hỏi dữ liệu cần nói rõ bốn phần:
Phần | Câu hỏi cho chính mình | Với câu hỏi về kênh |
|---|---|---|
Dòng nào (lọc) | Đơn nào được tính? | Chỉ đơn |
Đo gì (cột) | Đại lượng nào nói lên "tốt"? | Số đơn, hoặc tổng |
Gom theo gì (nhóm) | So giữa các nhóm nào? | Cột |
Con số nào (trả lời) | Đọc kết quả ở đâu? | Kênh đứng thứ hai của bảng xếp giảm dần |
Chọn đại lượng đo: số đơn hay doanh thu
Với nghĩa "nhiều đơn", đại lượng đo là số dòng của mỗi kênh sau phép lọc, đúng việc của value_counts():
import pandas as pd
don = pd.read_csv("don_hang.csv", dtype={"ma_sp": str})
xong = don[don["trang_thai"] == "Hoàn thành"]
print(xong["kenh"].value_counts().to_string())KẾT QUẢ
kenh
Website 402
Ứng dụng 335
Sàn TMĐT 331
Cửa hàng 144
Mạng xã hội 101Ứng dụng đứng sau Website. Với nghĩa "nhiều tiền", đại lượng đo là tổng giá trị đơn; thêm trung bình mỗi đơn để thấy nghĩa thứ ba:
import pandas as pd
don = pd.read_csv("don_hang.csv", dtype={"ma_sp": str})
xong = don[don["trang_thai"] == "Hoàn thành"]
tien = xong["so_luong"] * xong["don_gia"]
nhom = tien.groupby(xong["kenh"])
theo_kenh = pd.DataFrame({"sum": nhom.sum(),
"mean": nhom.mean().round()})
print(theo_kenh.sort_values("sum", ascending=False))KẾT QUẢ
sum mean
kenh
Website 74964000 186478.0
Sàn TMĐT 55535000 167779.0
Ứng dụng 52963000 158099.0
Cửa hàng 25796000 179139.0
Mạng xã hội 15796000 156396.0Theo doanh thu, Sàn TMĐT đứng thứ hai; theo giá trị mỗi đơn, Cửa hàng mới đứng thứ hai. Cùng một câu hỏi kinh doanh có ba câu trả lời, tùy đại lượng đo. Đổi "sum" ở dòng cuối thành "mean" rồi chạy lại: bảng xếp theo giá trị mỗi đơn, Cửa hàng lên dòng thứ hai.
Khi người hỏi không nói rõ, chọn đại lượng hợp với quyết định phía sau: phân ngân sách quảng cáo thì nhìn doanh thu, xếp người đóng gói thì nhìn số đơn. Ghi lựa chọn đó ngay cạnh câu trả lời.
Lọc trước khi gom
Phép lọc là phần hay bị quên của câu hỏi dữ liệu, vì bảng vẫn ra số đẹp khi thiếu nó.
Phép lọc cũng là chỗ câu hỏi cần thời gian: "tốt nhất" trong cả 18 tháng hay trong quý gần nhất? Một điều kiện trên ngay_dat, như bài lọc dữ liệu dạy, đổi câu trả lời theo đúng khoảng người hỏi quan tâm.
Kiểm câu trả lời trước khi báo cáo
Một câu trả lời đáng tin khi cộng lại khớp với toàn bộ. Tổng doanh thu các kênh phải bằng tổng của bảng đã lọc, và số kênh phải đúng số kênh có trong dữ liệu. Phần trăm của mỗi kênh dễ đọc hơn con số tám chữ số:
import pandas as pd
don = pd.read_csv("don_hang.csv", dtype={"ma_sp": str})
xong = don[don["trang_thai"] == "Hoàn thành"]
tien = xong["so_luong"] * xong["don_gia"]
theo_kenh = tien.groupby(xong["kenh"]).sum()
print(theo_kenh.sum() == tien.sum(),
len(theo_kenh) == don["kenh"].nunique())
ty_le = (theo_kenh / theo_kenh.sum() * 100).round(1)
print(ty_le.sort_values(ascending=False).to_string())KẾT QUẢ
True True
kenh
Website 33.3
Sàn TMĐT 24.7
Ứng dụng 23.5
Cửa hàng 11.5
Mạng xã hội 7.0Câu trả lời cho chị quản lý giờ là hai câu có số: "Tính trên đơn hoàn thành từ 01/2025 tới 06/2026, Sàn TMĐT đứng thứ hai về doanh thu với 24,7%, sát Ứng dụng 23,5%. Tính theo số đơn thì Ứng dụng đứng thứ hai." Bài viết báo cáo phân tích biến những câu như vậy thành một báo cáo.
Kiểm tra nhanh
Câu hỏi "Tháng nào năm 2025 bán được nhiều tiền nhất?" gom theo gì?
- Theo kênh
- Theo tháng của
ngay_dat - Theo
trang_thai
Cũng câu hỏi đó, phần lọc gồm những gì?
- Đơn đặt trong năm 2025
- Đơn có
trang_thailàHoàn thành - Đơn có giá trị lớn hơn trung bình
- Đơn của kênh Website
Theo các bảng của bài, kênh nào đứng thứ hai khi đo bằng tổng doanh thu đơn hoàn thành?
- Ứng dụng
- Sàn TMĐT
- Cửa hàng
Bạn tính doanh thu theo năm kênh rồi cộng lại, được một số nhỏ hơn tổng doanh thu của bảng đã lọc. Điều đó báo gì?
- Có đơn không thuộc nhóm nào, như ô kênh bị trống
- Phép tính đúng, vì cộng theo nhóm luôn nhỏ hơn tổng
- Bảng đã lọc thiếu đơn hủy
Bài tập
Xếp hạng nhóm theo đại lượng chọn trước
Người quản lý hỏi nhiều câu giống nhau, chỉ khác nhóm và đại lượng: kênh nào nhiều đơn nhất, tỉnh nào nhiều tiền nhất. Viết thân hàm xep_hang(don, cot_nhom, dai_luong): chỉ tính đơn có trang_thai là Hoàn thành, gom theo cột cot_nhom, và đo bằng dai_luong. dai_luong là "so_don" (số đơn) hoặc "doanh_thu" (tổng so_luong nhân don_gia).
Kết quả xếp giảm dần; hai nhóm bằng nhau thì xếp theo tên nhóm tăng dần (theo mã Unicode, như sort_index()). Hàm không sửa don.
Trả về: giá trị của từng nhóm, index là tên nhóm, một Series.
import pandas as pd
def xep_hang(don, cot_nhom, dai_luong):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Câu hỏi kinh doanh dùng lời của người điều hành; câu hỏi dữ liệu nói rõ dòng nào, đo gì, gom theo gì, con số nào.
Xem dữ liệu có gì trước, như các giá trị của
trang_thaivà khoảng ngày, rồi mới chọn phép lọc.Đổi đại lượng đo (số đơn, doanh thu, giá trị mỗi đơn) có thể đổi câu trả lời; ghi rõ đại lượng đã chọn.
Lọc trước khi gom: thiếu phép lọc, bảng vẫn ra số mà không có lỗi nào báo.
Kiểm câu trả lời bằng phép cộng lại: tổng các nhóm bằng tổng của bảng đã lọc.
Câu hỏi thường gặp
Đặt câu hỏi phân tích dữ liệu thế nào khi người hỏi nói rất chung?
Hỏi lại người đặt việc họ sẽ quyết định gì từ câu trả lời: tăng ngân sách, thuê thêm người, hay đổi giá. Quyết định đó chỉ ra đại lượng đo và khoảng thời gian. Nếu không hỏi lại được, trả lời theo hai, ba nghĩa và nói rõ mỗi bảng dùng nghĩa nào.
Tư duy phân tích dữ liệu có cần học thống kê trước không?
Không cần cho phần lớn câu hỏi kinh doanh: đếm, cộng, trung bình và tỷ lệ phần trăm đã trả lời được nhiều câu. Thống kê cần khi bạn muốn biết khác biệt giữa hai nhóm có phải do may rủi không; bài thống kê mô tả là bước đầu.
Khi nào dùng trung vị thay cho trung bình?
Khi có vài giá trị rất lớn kéo trung bình lên, như một đơn sỉ giữa các đơn lẻ, hay giá nhà ở khu đắt. Trung vị là giá trị đứng giữa khi xếp hàng, nên không bị vài giá trị lớn kéo theo. Dự án phân tích giá nhà dùng trung vị cho giá mỗi m².
Một câu hỏi cần nhiều bảng thì sao?
Ghép các bảng theo cột chung trước khi gom: đơn hàng với khách hàng theo ma_kh để hỏi theo tỉnh, đơn hàng với sản phẩm theo ma_sp để hỏi theo danh mục. Bài merge() dạy phép ghép; bốn phần của câu hỏi dữ liệu vẫn giữ nguyên.
Chủ đề
Dữ liệu của bài
- Tải xuống
don_hang.csv
CSV · 109.5 KB
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.